前列腺癌的早期诊断可以大大提高患者的生存率,而诊断程序复杂影响前列腺癌早期诊断准确率。在前列腺癌的诊断技术中,经直肠超声具有低成本、无创和操作简单等优点,可以广泛的运用于早期检查中。但是经直肠超声对前列腺癌的检查特异性较低,与其他前列腺疾病的回声表现不易区分,诊断结果及指导穿刺的准确性仰赖于医生的经验技巧,具有一定的主观性。当前,深度学习技术在图像识别领域取得长足的发展,本文将深度学习技术应用于前列腺癌超声图像识别中的方法。具体研究内容如下:基于DeepLabv3+的前列腺超声图像分割方法研究。针对经直肠前列腺超声图像的目标区域分割,本文研究了基于卷积神经网络模型的前列腺超声图像前列腺区域分割方法。本文采用DeepLabv3+作为图像分割深度学习算法,以Image Net预训练权重作为分割模型的初始权重,用相对数量不多的超声图像数据集来微调模型权重,从而让DeepLabv3+在其他图像任务中学习到的经验和知识能迁移到超声图像分割任务中来,解决训练数据集过少的问题,提高模型分割的准确率。基于ResNet的前列腺癌超声图像分类技术研究。针对现有卷积神经网络图像分类算法对基于经直肠超声图像的前列腺癌识别准确率不高的问题,本文在图像分类之前增加了一个图像分割的步骤。本文将带有分割信息的单通道Mask图与三通道的经直肠超声前列腺图像合并叠加为一个四通道的图像,而主流的图像分类算法无法支持四通道图像的输入,本文采用ResNet网络模型作为分类深度学习算法,并将ResNet分类模型的输入层进行改进,将图像输入通道改为四通道,使得分类模型可以支持带有分割信息的经直肠超声前列腺图像。实验结果表明,上述改进大大提高了前列腺癌超声图像分类的准确率。ResNet分类模型是在VGG分类模型的基础上改进而来,其在与VGG19分类模型的对比实验中,也证明本论文的ResNet分类模型具有较高的准确率。